摘要
语义联邦学习将面向任务的语义通信与分布式训练相结合，降低了终端设备的训练负担和端到端推理延迟。然而，通过本地数据、任务标签或传输的语义特征进行投毒攻击可能会降低任务性能和系统可靠性。我们提出了一种适用于信息分离双服务器架构的语义轻量级鲁棒聚合方法（SemLRA）。SemLRA 利用轮内中位数和绝对偏差中对偏差值（Median Absolute Deviation），对分割训练过程中已产生的任务损失进行校准，从而构建有界的客户端可靠性系数。这些系数联合调整客户端端和服务端的模型聚合，并调节后续的服务端优化过程。SemLRA 无需参考数据、客户端更新检查或关于恶意客户端数量或比例的先验知识即可估计可靠性，同时保持了与 FedAvg 同量级的聚合复杂度。在 CIFAR-10 数据集上，在持续攻击下，SemLRA 的准确率接近其干净训练水平，在标签翻转攻击下，其平均最终阶段准确率比最强的竞争防御方法高出 3.77 个百分点。在突发攻击下，SemLRA 在所有评估场景中均提供了最强的准确率保持能力。实测训练运行时间显示额外开销可忽略不计。
